論文の概要: Chain-Aware Encoding for Microservice Trace Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.10156v1
• Date: Sat, 11 Jul 2026 06:35:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.3242
• Title: Chain-Aware Encoding for Microservice Trace Anomaly Detection
• Title（参考訳）: マイクロサービストレース異常検出のためのチェーンアウェア符号化
• Abstract要約: DeepLogのようなシーケンスモデルは、各APIエンドポイントをコンテクストフリートークンとして扱う。 それぞれのイベントを(エンドポイント、ルート・ツー・スパンの呼び出しチェーン)ペアとしてエンコードすることを提案する。 この単純な変更は2つの結果をもたらす: 見えない連鎖はモデル推論なしでフラグ付けされ、次回の予測は文脈条件となる。
• 参考スコア（独自算出の注目度）: 1.1980410688871999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Microservice traces can be structurally anomalous even when every span returns normally -- a payment flow that silently skips a risk check looks fine to any per-span monitor. Sequence models like DeepLog address this by predicting the next event, but they treat each API endpoint as a context-free token: the same endpoint reached through different invocation chains is mapped to the same vocabulary entry, even when its normal behavior differs across contexts. We propose encoding each event as an (endpoint, root-to-span invocation chain) pair instead. This simple change has two consequences: unseen chains are flagged without model inference, and next-event predictions become context-conditional, turning subtle path anomalies into clear outliers. We instantiate this idea in CHAINLSTM, a lightweight dual-task LSTM supporting per-event online detection. On the TrainTicket benchmark, CHAINLSTM achieves 94.3% F1 (+5.3 pp over DeepLog) with comparable latency recall and 99.1\% path recall. Case analysis shows that chain-aware encoding shifts median prediction probability on path anomalies from 0.91 to 0.002, suggesting a wider separation margin for threshold-based detection.
• Abstract（参考訳）: マイクロサービストレースは、スパンが正常に返されるたびに構造的に異常になる可能性がある -- リスクチェックを静かにスキップする支払いフローは、スパンモニタ毎に問題なく表示される。 DeepLogのようなシーケンスモデルは、次のイベントを予測することでこの問題に対処するが、各APIエンドポイントをコンテキストフリートークンとして扱う。 代わりに、各イベントを(エンドポイント、root-to-span呼び出しチェーン)ペアとしてエンコードすることを提案する。 この単純な変更は2つの結果をもたらす: 目に見えない連鎖はモデル推論なしでフラグ付けされ、次のイベント予測は文脈条件となり、微妙な経路異常を明確な外れ値に変換する。 CHAINLSTMは、イベントごとのオンライン検出をサポートする軽量なデュアルタスクLSTMである。 TrainTicketベンチマークでは、CHAINLSTMは94.3% F1 (+5.3 pp over DeepLog)を達成し、同等のレイテンシリコールと99.1\%パスリコールを実現している。 ケース分析では、チェーン認識符号化は経路異常の中央値予測確率を0.91から0.002にシフトさせ、しきい値に基づく検出においてより広い分離マージンを示唆している。

関連論文リスト

• Automata from Agent Traces: Failure and Next-Step Prediction [1.16693435589939]
  トレースコーパス全体を1つのコンパクト有限状態機械 (FSM) に分解し, LLM エージェントの挙動のための構造基板として機能する。 障害予測では、州ごとの行動特徴がAUROCで最大0.94まで到達し、オンラインのモニターが失敗点を通過点より上回っている。
  論文  参考訳（メタデータ） (2026-08-24T17:58:01Z)
• SCOUT: Symmetric Consensus Outlier Detection for Failure Localization in LLM Pre-Training [7.018753691717986]
  事前トレーニングでは、同期は、ランクローカルなストール、スローダウン、数値的なエラーをジョブワイドな症状へと伝播し、その起源を隠蔽する。 SCOUTは1つの設計原則に基づいて構築された統一型ランタイム障害局所化フレームワークである。 SCOUTはトレーニングループやフレームワークソースの変更なしに、PyTorch、TorchTitan、Megatron-Core、DeepSpeedと統合されている。
  論文  参考訳（メタデータ） (2026-08-11T15:12:14Z)
• TELLER: Non-intrusive Cross-Layer Root-Cause Analysis for LLM Inference [47.62941623025392]
  本稿では,非侵入的でログ対応なLLM推論フレームワークであるTELLERについて紹介する。 TELLERはモデルバイナリを変更することなく、NVTX/CUPTIトレースとサービスログを収集する。 リクエスト毎のコールチェーンツリーを再構築し、ログ行と対応する実行ステップをアライメントする。 これらの表現に加えて、TELLERは数値的候補のローカライゼーションとマルチモーダルな根起因モデルを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-03T09:39:11Z)
• TraceCompiler: Skill-Guided Mining and Compilation of LLM Agent Traces into Mostly Deterministic Workflows [2.435006380732194]
  ノイズの多いトレースをトラジェクトリにコンパイルする,スキルガイドシステムであるTraceCompilerを提案する。 あらゆるハードエッジは監査可能な証拠を持ち、あいまいな関係が疑われる。 コールの削減を計測するが、オフラインのコンパイルコストはかからない。
  論文  参考訳（メタデータ） (2026-08-03T01:05:06Z)
• From Attack Simulation to SIEM Rule: Deterministic Detection-as-Code Synthesis with Probe-Level Traceability [51.56484100374058]
  セキュリティチームは、自身のシステムに対する攻撃をシミュレートして、監視が真の侵入者を捕まえるかどうかをチェックする。 人間はそのギャップを手でブリッジし、それぞれの発見を読み、対応するシグマルールを書きます。 ロックされたコーパスからプローブが引き出されると,この変換が部分的に自動化されることを示す。
  論文  参考訳（メタデータ） (2026-06-03T14:26:25Z)
• Reading Calibrated Uncertainty from Language Model Trajectories [46.663987199083245]
  モデルの内部アクティベーションを調査する手法は、生の隠れた状態を不透明なスナップショットにフィードし、表現が形成される層回りの軌跡を暗黙的に残す。 我々は11のスケール不変な幾何学的特徴を抽出し、層ごとの更新の累積経路をトレースし、それらをスパース線形プローブに供給する。 このプローブは、最大21のAURCポイントでベースラインスケーリングを行い、選択的な棄権下でMPPより優れる。
  論文  参考訳（メタデータ） (2026-05-19T19:24:29Z)
• The Convergence Gap: Instruction-Tuned Language Models Stabilize Later in the Forward Pass [9.8812664524155]
  最終的なアウトプットは、チェックポイントがその次のポイント予測にコミットしたときに隠される。 本稿では,各層の次点分布をデコードし,モデルの最終分布までの距離を測定するモデル微分診断法である収束ギャップを導入する。
  論文  参考訳（メタデータ） (2026-05-08T05:45:52Z)
• Evaluating Asynchronous Semantics in Trace-Discovered Resilience Models: A Case Study on the OpenTelemetry Demo [0.0]
  トレースからサービス依存グラフを導出する、トレースが発見された接続モデルを再検討する。 フェールストップサービス障害時にエンドポイントの可用性を推定するために、Monte Carloシミュレーションを使用します。
  論文  参考訳（メタデータ） (2025-12-13T13:08:05Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• SNAP-UQ: Self-supervised Next-Activation Prediction for Single-Pass Uncertainty in TinyML [0.0]
  我々は、TinyMLのシングルパスラベルなし不確実性手法である textbfSNAP-UQ を導入する。 int8ヘッドは、前者の圧縮されたビューから次の層の統計を予測します。 この設計では、一時バッファ、補助出口、または繰り返しフォワードパスを必要とせず、MCUデプロイメントに数キロバイトの追加しか必要としない。
  論文  参考訳（メタデータ） (2025-08-18T13:14:20Z)
• Detection Recovery in Online Multi-Object Tracking with Sparse Graph Tracker [17.00871668925939]
  既存の共同検出・追跡手法では、従来のトラックレットと現在の検出とを一致させるために、ペアワイズ・リレーショナルな特徴を用いる。 Sparse Graph Tracker (SGT) はより差別的な高次関係特徴を用いた新しいオンライングラフトラッカーである。 MOT16/17/20とHiEve Challengeでは、SGTはリアルタイムの推論速度で最先端のトラッカーを上回っている。
  論文  参考訳（メタデータ） (2022-05-02T15:09:36Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
  そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。 鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
  論文  参考訳（メタデータ） (2020-07-29T02:38:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。